人工智能 Agent智能体 从科研教学到产业赋能会议—9月

课程安排

学习内容

一、

大模型演进与AI Agent概览

1. AI 演进简史：从规则系统到大规模预训练

（1） 1930s -1950s 人工智能的理论奠基

（2）1956-1970s 符号主义与专家系统的兴衰

（3）1980s-1990s 神经网络与连接主义的复兴

（4）2000s-2012 从特征工程到端到端的沉默十年

（5）2012 -2020 深度学习架构从 CNN、 RNN 到 Transformer

（6）2020-2022 预训练范式到 GPT-3的智能涌现

2. AI的三大核心要素：数据、算法、算力

3. AI三大流派及其哲学思想

（1）符号主义：让 AI 像“哲学家 ”一样思考

（2）连接主义：神经网络背后的学习魔法

（3）行为主义：没有思考，只有本能的反应

3.AI 2.0五个阶段：对话者到组织者

L1｜对话者： AI 学会了“说话 ”（Transformer + RLHF）

L2｜推理者： AI 开始“像人一样思考 ”（ CoT + RL）

L3｜智能体：能干活的 AI，算力即劳动力（Planning + Tool Use）

L4｜创新者：从知识应用走向知识创造（AI4Science + AlphaFold）

L5｜组织者：迈向通用人工智能 AGI （多智能体 + 空间智能）

4. Transformer与LLM核心技术

（1）Transformer诞生背景

（2）Transformer 技术解读《Attention is All You Need》：输入与输出、编码器、解码器、多头注意力机制、位置编码

（2）ChatGPT 的诞生：预训练和模型微调 Fine-Tuning 与强化学习 RLHF

5.AI Agent 概念解读与最新进展

（1）AI Agent 基本概念

（2）Manus的介绍

（2）AI Agent 主流开发平台： Coze、 Dify、 langchain介绍

二、

大模型应用与落地实践

1. 大模型落地挑战三视角：企业、供应商、行业

2.大模型企业落地方法论： AGILE

3.大模型企业落地最佳实践： PE、 Rag 与数据工程

4.大模型企业落地常见应用场景解读

（1）政府服务：公文写作、政策解读、舆情分析、   12345 客服、城市治理、 智能问数

（2）法律服务：司法审判、公证文书、合同审查、法律研究等

（3）金融行业：智能投顾、智能投研、智能理财、投研报告等

（4）电商行业：客户洞察、模特试衣、智能选品、文案生成、智能客服等

（5）制造业：辅助 CAD、辅助 CAE、多模态质检、预测性维护等

（6）能源电力：时序预测、多模态知识问答、设备巡检、   CAD 解析等

（7）医疗健康：辅助诊断、合力用药、医学研究、患者管理等

（8）教育培训：作业批改、课件设计、口语陪练、作文测评、智能阅卷、 AI 硬件等

（9）软件研发：代码补全、代码调试、单元测试、   UI 设计等

三、

提示词设计与提示工程

1.提示词工程基本概念

2.提示词常用结构和要素

（1）上下文和背景信息

（2）具体问题或任务

（3）目标和期望结果

（4）限制条件和要求

（5）示例和参考资料

3.提示词设计技巧与策略

（1）框选和分割信息

（2）指定输出格式

（3）确定立场（角色）

（4）Few-shot

（5）Step by Step

4.常用提示词模板

5.大模型输入和输出长度的控制

（1）使用修饰语

（2）限定回答的范围

（3）通过上下文限定

（4）限定数量

（5）使用组合策略

6.langGPT提示词介绍与应用

（1）LangGPT平台提示词设计理念

（2）Role模板

（3）模板使用步骤

（4）LangGPT典型提示词模板

四、

多模态大模型与应用

1.多模态大模型的概念、分类及原理

（1）多模态大模型能力演化路线图：

-图文联合

-多模态生成

-多模态智能体

（2）多模态大模型核心原理：

-统一嵌入与解码器架构

-跨模态注意力机制及融合策略

（3）典型多模态模型介绍

-CLIP：理解图像和文本之间的关系

-ViT ：用 Transformer 架构统一视觉任务

-Stable Diffusion：文生图开源大模型

2. 多模态生成大模型使用技巧及实操

（1）多模态大模型的概念与进展

-文生图

-图生图

-文生视频

-3D生成

-统一多模态大模型

（2）图像生成大模型应用与提示词设计技巧

-正面提示词构建：主体、风格、细节、光影

-负面提示词运用：去除不需要的元素与瑕疵

-提示词微调技巧：权重调整、风格混合、结构控制

（3）视频生成大模型应用与提示词设计技巧

-主体与动作描述

-场景设定与光线控制

-视觉细节与情感氛围

-摄影技巧（镜头类型、运动方式）

（4）3D生成提示词应用与提示词设计技巧

-视角一致性与多视图生成

-几何结构与纹理细节

-使用参考图与草图引导

（5）应用

-基于通义万相的图片生成

-万相视频制作

五、

推理模型关键技术分析及使用技巧（DeepSeekR1）

1.推理模型的基本概念与核心目标

（1）思维链与推理模型

（2）思维链与推理模型的诞生

（3）推理模型o1 重新定义 scaling law

（4）从training 到 Inference ，scaling law 持续生效

2.推理模型的架构与工作原理

（1）问题拆解与表示

（2）证据检索与知识激活

（3）多步推理与验证

（4）综合决策与输出生成

3.DeepSeek R1 的发展与能力提升

（1）R1-Zero与R1

（2）监督微调+ 强化学习（SFT + RL）   

（3）MOE机制的理解

（4）DeepSeek 重塑全球大模型生态   

（5）DeepSeek-V3、R1和联网搜索

4. 推理模型提示词技巧及实操

（1）指令模型与推理模型策略差异

（2）推理模型使用技巧与思维链CoT

（3）指令模型与推理模型策略差异

（4）模型的选择和综合利用

4.DeepSeek R1蒸馏小模型及本地化部署

（1）AI蒸馏的理解

（2）R1的本地化配置与部署   

（3）R1与第三方应用结合

（4）基于DeepSeek 的本地知识库增强

六、

Agent原理与架构

1. Agent特征与核心架构

（1）关键特征

（2）核心架构

-感知模块

-状态表示模块

-决策模块

-执行模块

-记忆与知识模块

-目标与反馈机制

2.Agent工作模式

（1）感知–决策–执行循环：Agent 基本流程

（2）多种驱动模式：

-目标导向

-事件触发

-用户交互

-多Agent 协作

3.Planning： 多步计划与任务分解

（1）Reflection（反思）

（2）Self-critics（自我批判）

（3）Chain of thoughts（思维链）

（4）Subgoal decomposition（子目标分解）

4. Agent工具使用： ReAct + Function Calling + MCP

（1）工具在 Agent 中的角色：连接虚拟与现实的“手”和“脚”

（2）OpenAI Function Calling 使用最佳实践

（3）常见Agent Tools：联网、绘图、代码解释器等

（4）ReAct（Reason + Act）机制：推理与行动的结合

（5）MCP（Model Context Protocol）：Agent 时代的“HTTP 协议”

（6）Function Calling 与 MCP 的对比与适用场景

5.Memory：记忆管理与知识检索增强 RAG

（1）记忆分类：短期记忆 vs 长期记忆（对话 & 用户上下文持续性）

（2）实现方式：向量数据库+ RAG 检索机制增强生成质量

6.Agent 开发步骤与工作流程

（1）明确目标与应用场景

（2）设计 Agent 的核心能力模块

（3）准备数据资源与工具接口

（4）构建提示词与任务链条（Prompt Flow）

（5）测试、评估与优化迭代

（6）部署与集成

（7）维护与迭代运营

7.AI Agent 主流开发平台对比：Coze、Dify、langchain

七、

基于Coze的AI Agent 开发实践

1.COZE 平台功能讲解及关键组件介绍

（1）平台定位及适用场景   

（2）核心组件详解

-模型引擎（文本& 多模态）

-记忆管理机制（短期vs 长期）

-知识库与RAG框架

-工具调用接口

-ChatUI 交互卡片模块

2.初版 ChatBot: 构建初版知识文档助手

（1）提示工程搭建

（2）模型选择与能力解读     

（3）知识库＋RAG

（4）记忆管理

（5）基础工具调用技能

3.进阶ChatFlow:打造基于意图识别的电商客服

（1）工作流与对话流构建

（2）工作流中的节点

（3）节点的变量设置

（4）流程编排和分支路由构建

（5）分支路由的知识检索增强

（6）多模态数据的理解与设置

4.进阶WorkFlow：论文理解与总结助手

（1）单论文理解助手

-pdf文件的上传

-文件文本的获取

-大模型的解读和信息提取

-文本的写入

（2）批量文件的读取

-批量文件上传

-批量文件读取

-批量文件解析

-变量聚合

-批量信息的提取和写入

5.进阶WorkFlow文献搜索：知网文献洞察助手

（1）知网插件的配置和应用

（2）信息和论文题目的提取

（3）大模型的总结和提炼

（4）提取信息的写入

八、

基于Dify的智能体开发实践

1.Dify 功能定位

（1）Dify 平台概述与定位与发展历程

（2）Dify 产品功能介绍及关键组件详解   

（3）Dify 开发优势

2.Dify环境搭建

（1）部署方式：本地部署与云端部署   

（2）Dify 教育版特点与适用场景

（3）主流LLM 接入与 API 配置

（4）案例实操：低代码/ 无代码构建首个应用

3.工作流节点与变量机制详解

（1）节点类型与作用

-开始节点/ LLM 节点

-知识检索、问题分类、条件分支

-代码执行、模板转换、文档提取器

-变量聚合与赋值、迭代、参数提取

-HTTP 请求、Agent 节点

（2）变量类型与使用场景

-系统变量/ 环境变量 / 会话变量

4.Chatflow设计实操：智能问答助手

（1）知识库管理：数据准备、清洗、索引构建

（2）节点编排与参数设置

（3）节点测试与整体流程调试

（4）发布与调用

（5）案例实操：分类检索型智能文档助手实现

5.Chatflow设计实操：基于dify的文章理解助手搭建

（1）单篇文章助手

-文件上传、文本提取

-大模型理解与参数设置

-输出格式与多轮交互优化

（2）批量文章助手

-批量文件上传与管理

-迭代器节点的使用

-批量文档提取与批处理输出

6.WorkFlow设计实操： 长文生成自动化

（1）关键词输入与主题定位

（2）标题与大纲生成

（3）正文分段迭代生成与优化

（4）结果合并与最终输出

7.WorkFlow设计实操： 基于谷歌搜索的论文总结

（1）插件与API 集成（搜索、数据库、第三方服务）

（2）MCP 协议与扩展能力

（3）流式交互配置（SSE / HTTP）

（4）基于谷歌搜索的论文摘要助手实现

8.Agent 工作流设计与多智能体

（1）Agent 机制介绍

（2）多Agent 协作开发

（3）流程可视化与监控

（4）Agent实操案例：股票分析助手

九、基于langchain的AI Agent 开发实践

1.LangChain 核心组件与设计模式

（1）LLMs：大语言模型调用与配置

（2）Prompt Templates：系统化提示词模板设计

（3）Chains：串联多个处理步骤

（4）Agents：自主决策与动态工具调用

（5）Tools：API / 函数 / 数据库 / 搜索引擎 / 计算器等

（6）Memory：上下文维持与知识增强（ConversationBufferMemory、VectorStoreRetrieverMemory 等）

2.LangChain Agent分类与使用场景

（1）Zero-shot ReAct Agent

（2）Conversational Agent

（3）Plan-and-Execute Agent（PlanAndReact）

（4）Self-Ask-with-Search Agent

3.LangChain 记忆管理与检索增强 RAG

（1）短期记忆vs 长期记忆

（2）短期记忆实现方式实操

（3）长期记忆：向量数据库操作（存储、检索、更新）

（4）案例实操：基于RAG 的科研助手（知识库构建 + 智能问答）

4.LangChain的推理与工具使用

（1）工具调用最佳实践：OpenAI function calling

（2）Agent Tools：联网、绘画、代码解释器等

（3）ReAct（Reason + Act）模式：结合推理与工具调用

（4）MCP 协议设置与调用方式（stdio / sse / streamable_http）

（5）案例实操

-基于MCP 的 Agent 工具调用

-智能邮件助手（联网搜索+ 自动邮件发送）

5.LangGraph中的流程图构建实操

（1）状态机思维：节点、边、停机条件与错误恢复

（2）状态机：状态建模、节点与边、条件分支、循环与中断、错误恢复与持久化、以及流程图导出

（3）流程图结构：串行/并行/路由/循环

（4）案例实操：使用LangGraph 编排“规划—执行—校对—汇总”的四步流。

6.LangGraph 的多智能体编排

（1）从单体Agent → Workflow → 多 Agent 的迁移路径

（2）设计理念与常见模式

-Supervisor（监督者）模式：由一个“调度/仲裁”节点决定下一个执行的 Agent（推荐入门）

-Router（路由）模式

-Peer-to-Peer（点对点）模式

-Map–Reduce（并行—汇总）

（3）案例实操：多种模式下的多智能体构建与运行

十、课程总结与答疑讨论

1.课程总结与现场答疑

2.关键问题解析

3.相关学习资料分享与拷贝

4.学后交流、微信群建立等